Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNI
Es un subconjunto de la población.
X1 , X2 , ..., Xn ,
Caso continuo:
Si X1 , X2 , .., Xn son variables aleatorias continuas, independientes e idénticamen
distribuidas. La distribución de densidad conjunta es dada por:
n
Y
f (x1 , . . . , xn ) = fXi (xi )
i=1
Caso discreto:
Si X1 , X2 , .., Xn son variables aleatorias discretas, independientes e idénticament
distribuidas, entonces
n
Y
P(X1 = x1 , . . . , Xn = xn ) = P(Xi = xi )
i=1
X1 + · · · + Xn
X =
n
Definición: Una estadı́stica T es un a función de una muestra X1 , X2 , ..., Xn .
Las estadı́sticas mas comunes son:
X1 + · · · + Xn
Media muestral: X = .
n
1 Pn 2
Varianza muestral: Var (X ) = i=1 Xi − X , etc
n−1
Definición: Denominamos de parámetro una medida usada para describir
una caracterı́stica de la población. Ası́, si una población es modelada por
una v.a X , la esperanza y la varianza E (X ) y Var (X ), respectivamente,
serian parámetros de la v.a. X .
J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 9 / 86
Distribución Muestral: Se llama ası́ a la función de distribución (o prob-
abilidad) de un estadı́stico.
µX ≈ X = 3, 8 e σX2 ≈ SX2 = 3, 1.
N
1 X
σ2 = (Xi − µ)2 .
N
i=1
Ejemplo:
lim E(Tn ) = θ
n→∞
e
lim Var (Tn ) = 0.
n→∞
σ2
E(X ) = µ e Var (X ) =
n
Es decir, la media muestral es un estimador insesgado y consistente.
2σ 4
E(S 2 ) = σ 2 e Var S 2 =
n−1
Recordemos que:
p(1 − p)
E(p̂) = p, e Var (p̂) = .
n
K 100
p̂ = = = 0, 20
n 500
es decir, 20% de los estudiantes entrevistados afirmaron que fueron al teatro
por lo menos una vez en el último mes.
Note que, otra muestra del mismo tamaño puede generar otra esti-
mación puntual para p.
137; 154; 159; 155; 167; 159; 158; 159; 152; 169; 154; 158; 140; 149; 145
157; 160; 155; 155; 143; 157; 139; 159; 139; 129; 162; 151; 150; 134; 151
x = 151, 9mm, s = 9, 7mm
Supogamos que para satisfazer las especificaciones del consumidor, el
diámetro de las piezas deben estar compreendidos entre
[140mm, 160mm]. Determine la estimación puntual de la proporción
de piezas fabricadas por la máquina satisfaciendo las especificaciones.
De lo anterior obtenemos
n
n X
− xi = 0
θ
i=1
Por lo tanto
n 1
θ̂ = Pn =
i=1 xi x
Ejemplo:
(λx)r −1
λe −λx , x ≥0
f (x) = Γ(r )
0 , caso contrario
P(−zγ ≤ Z ≤ zγ ) = γ
Entonces
σ 2 (zγ )2
n=
2
P(−zγ ≤ Z ≤ zγ ) = γ
Entonces
p(1 − p) (zγ )2
n=
2
137; 154; 159; 155; 167; 159; 158; 159; 152; 169; 154; 158; 140; 149; 145
157; 160; 155; 155; 143; 157; 139; 159; 139; 129; 162; 151; 150; 134; 151
x = 151, 9mm, s = 9, 7mm
Supogamos que para satisfacer las especificaciones del consumidor, el
diámetro de las piezas deben estar compreendidos entre
[140mm, 160mm]. Determine la estimación puntual de la proporción
de piezas fabricadas por la máquina satisfaciendo las especificaciones.
Que tamaño de muestra necesitamos de modo que la estimación
puntual este, a lo más, a 0.02 de la proporción verdadera p, con una
probabilidad de 0.95?
Es posible reducir el tamaño de la muestra del caso anterior si
tenemos la información de que como mı́nimo 70% de esferas de
rodamiento satisfacem las especificaciones del consumidor?
P(L ≤ θ ≤ U) = γ
Nivel de significancia = α
Nivel de confianza = γ = 1 − α
X −µ
p ≈ t(n−1) .
S 2 /n
Por lo tanto
S S
IC (µ, (1 − α).100%) = X − tα/2,n−1 √ , X + tα/2,n−1 √
n n
" r r #
S N −n S N −n
IC1−α (µ) = X − tα/2,n−1 √ , X + tα/2,n−1 √
n N −1 n N −1
Varianza desconocida
S S
IC (µ, (1 − α).100%) = X − tα/2,n−1 √ , X + tα/2,n−1 √
n n
137; 154; 159; 155; 167; 159; 158; 159; 152; 169; 154; 158; 140; 149; 145
157; 160; 155; 155; 143; 157; 139; 159; 139; 129; 162; 151; 150; 134; 151
1.2; 1.4; 1.7; 1.3; 1.2; 2.3; 2.0; 1.5; 1.8; 1.4; 1.6; 1.5; 1.6; 1.5; 1.3
X −µ X −µ
p ≈ N(0, 1) , p ≈ t(n−1) .
σ 2 /n S 2 /n
X −µ X −µ
p ≈ N(0, 1) , p ≈ N(0, 1).
σ 2 /n S 2 /n
ó
p̂ − p
Z=p ≈ N(0, 1)
p(1 − p)/n
p " p #
p(1 − p) p(1 − p)
IC (p, (1 − α).100%) = p̂ − zα/2 √ , p̂ + zα/2 √
n n
137; 154; 159; 155; 167; 159; 158; 159; 152; 169; 154; 158; 140; 149; 145
157; 160; 155; 155; 143; 157; 139; 159; 139; 129; 162; 151; 150; 134; 151
4.0; 3.5; 6.1; 5.8; 5.4; 4.4; 4.9; 3.9; 5.1; 5.3; 4.1; 4.2; 4.8; 4.7; 3.8;
4.8; 5.3; 5.5; 3.6; 3.5; 4.7; 3.3; 3.7; 6.3; 5.7; 3.9; 4.6; 4.7; 4.1; 4.3
Dar una estimación puntual para p y, en base a ella, construir un
intervalo de 95% de confianza para p.
X 1 − X 2 − z1− α2 · ET ≤ µ1 − µ2 ≤ X 1 − X 2 + z1− α2 · ET
q
σ12 σ22
donde ET = n1 + n2
X 1 − X 2 − t1− α2 ,r · ET ≤ µ1 − µ2 ≤ X 1 − X 2 + t1− α2 ,r · ET
donde 2
s12 /n1 + s22 /n2
r=
[s12 /n1 ]2 [s22 /n2 ]2
n1 −1 + n2 −1
S12 /σ12
F = ∼ F (n1 − 1, n2 − 1)
S22 /σ22
s12 σ2 s2
2
· f α2 ,n1 −1,n2 −1 ≤ 12 ≤ 12 · f1− α2 ,n1 −1,n2 −1
s2 σ2 s2